Progetti
L’ordine è già nell’email. Perché riscriverlo nel gestionale?
Ho costruito Inbox to Order per portare nel gestionale gli ordini che arrivano via email e PDF: l’AI li legge, il software li verifica, una persona conferma.
Un ordine arriva via email. Il cliente ha scritto i prodotti, le quantità e magari ha allegato un PDF. Tutte le informazioni necessarie sono già lì, ma spesso qualcuno deve leggerle, cercare i codici nel catalogo e riscriverle nel gestionale. Poi arriva una risposta: «Fate otto cartoni invece di sei, il resto rimane uguale». E bisogna riaprire l’ordine giusto senza crearne un secondo.
Questo è il passaggio che ho voluto esplorare con Inbox to Order. È un esperimento personale: non lo vendo e nessun cliente me lo ha commissionato. Volevo capire se si può collegare una casella email a un gestionale facendo leggere i messaggi all’intelligenza artificiale. Le decisioni che non si possono annullare, però, restano a una persona.

Dagli ordini via email a una proposta da controllare
Ho costruito una piccola applicazione che legge conversazioni email, riconosce quelle pertinenti agli ordini e prepara una proposta da controllare. Il modello può leggere anche il testo di un PDF allegato. Cerca il cliente, gli articoli, le quantità e le eventuali modifiche arrivate nella stessa conversazione. A quel punto, però, non scrive ancora nulla nel gestionale.
Il pannello divide le conversazioni per stato: nuove, da chiarire con una persona, pronte da confermare, già registrate oppure non pertinenti. L’operatore apre una proposta, vede da quali parole arrivano i dati, può correggerla e infine confermare o rifiutare. L’applicazione scrive l’ordine solo quando l’operatore conferma.

Nel video mostro proprio questo percorso usando una casella Gmail di test e Claude. I messaggi, gli ordini e il gestionale sono fittizi; il software e le chiamate alla casella sono quelli effettivamente utilizzati durante la prova.
Una bacheca per capire cosa richiede attenzione
Volevo evitare che l’applicazione diventasse un altro posto dove leggere un elenco indistinto di messaggi. Per questo ho organizzato le conversazioni per stato, rendendo subito visibili quelle pronte e quelle che richiedono un intervento. Anche un messaggio che non contiene un ordine deve avere un esito comprensibile, invece di sparire senza spiegazioni.

Chi gestisce gli ordini vede quali email l’applicazione ha già letto. Vede anche quali aspettano una risposta e perché una conversazione è finita da parte.
Un PDF, due correzioni e la provenienza di ogni dato
Nel caso più completo della prova, l’ordine iniziale è in un PDF allegato all’email. Contiene quattro righe: nastro da imballaggio, etichette di spedizione, pluriball e buste imbottite. Poi arrivano due risposte che cambiano le quantità di due articoli. Sono modifiche allo stesso ordine di acquisto, e il software deve trattarle così.
La proposta mostra il numero del documento, le righe ricostruite e le modifiche applicate in successione. Accanto ai valori compaiono i passaggi del messaggio o del PDF da cui provengono. Ci tenevo: se un articolo o una quantità sembrano sbagliati, l’operatore vede subito la frase da cui arriva il dato e può controllarla.

Con le modifiche entrano in gioco anche le versioni. Il software deve sapere se sta preparando un nuovo ordine oppure aggiornando una proposta o un ordine esistente. Per questo conserva la cronologia, evita di processare più volte lo stesso messaggio e verifica che la versione confermata sia ancora quella mostrata all’operatore.
La scelta più utile: non indovinare
Ho incluso un caso volutamente ambiguo: un’email chiede dodici «etichette blu», senza indicare chiaramente né il prodotto né l’unità. Nel catalogo ci sono più articoli compatibili. Un sistema interessato soltanto a completare il compito potrebbe scegliere il primo risultato plausibile.
Qui succede il contrario. L’applicazione mostra le alternative, lascia la proposta in attesa e chiede a una persona di risolvere il dubbio. Lo stesso vale per un mittente che non corrisponde a nessun cliente noto. Vale anche per un dato che il documento non conferma: in quei casi il software non riempie i vuoti per supposizione.

È il punto che descrive meglio come ragiono quando collego due sistemi: una persona interviene dove una decisione ha davvero bisogno di una verifica, come in questo caso.
Dare all’AI un compito preciso, e dei limiti precisi
Per collegare i componenti ho usato MCP, Model Context Protocol: uno standard aperto che permette a un’applicazione AI di utilizzare strumenti esterni. Nel progetto ci sono due collegamenti separati. Il primo legge i messaggi e il testo degli allegati; il secondo interagisce con il Demo ERP, che conserva clienti, catalogo e ordini. Per approfondire il principio, sul sito Levixflow ho descritto anche MCP e assistenti AI; la specifica è disponibile nella documentazione ufficiale MCP (si apre in una nuova scheda).
Ho scelto con la stessa attenzione quello che il modello non può usare. Claude riceve soltanto strumenti in lettura, circoscritti alla conversazione selezionata e ai dati necessari. Non dispone dei comandi per creare o aggiornare ordini. Poi il codice tradizionale controlla le risposte: cliente, articolo, unità, quantità, indirizzo e riferimenti all’ordine devono essere coerenti. Infine, il Demo ERP ripete le proprie verifiche al momento della registrazione.
Ho previsto anche email contenenti frasi che sembrano istruzioni per l’assistente. L’applicazione li tratta come parte del messaggio e non li esegue mai. Quando riconosce una frase sospetta la mostra all’operatore, ma non è questa la protezione principale. A proteggere davvero sono gli strumenti in sola lettura, i controlli del codice e la conferma di una persona.
Limitare i permessi ha avuto anche una conseguenza pratica: le email lette dall’app restano segnate come non lette in Gmail. Per cambiarne lo stato avrei dovuto chiedere un’autorizzazione più ampia, che non serviva allo scopo. Durante le prove ho inoltre escluso dalla ricerca una notifica di sicurezza di Google arrivata nella casella di test. Non c’era motivo di mandarla al modello.
Seguo lo stesso principio con API, webhook e connettori: per ogni collegamento decido quali dati accettare e quali azioni autorizzare.
I risultati della prova e i loro limiti
L’applicazione ha letto e classificato dieci email in sette conversazioni della casella Gmail di test, compreso un PDF testuale. Sulla mia macchina Windows 11 ci ha messo 19,4 secondi, elaborando fino a quattro conversazioni alla volta. La classificazione ha prodotto tre proposte pronte, una richiesta di chiarimento e tre conversazioni non pertinenti. In una prova separata, sulle otto email dimostrative, Claude ha superato 60 controlli su 60.
Sono risultati su email scritte apposta per il test: non dicono quanto sarebbe preciso su email vere di clienti e non promettono prestazioni. Inoltre l’app non usa OCR sui PDF scansionati e non gestisce preventivi o fatture. Non l’ho nemmeno collegata a un ERP commerciale. Nella prova con Claude, l’applicazione invia il testo delle email selezionate al servizio AI. In un’azienda vera è una scelta da valutare con attenzione.

Il Demo ERP, il gestionale di prova
Il Demo ERP è il gestionale finto che ho costruito per la prova. È un piccolo database SQLite con davanti il suo server MCP, come se fosse il gestionale di un’altra azienda. Contiene due clienti, un catalogo di sette articoli, i codici articolo dei clienti e un ordine già registrato (SO-0950). Quell’ordine serve a provare le modifiche a un ordine esistente.
Il Demo ERP ha una finestra tutta sua, che mostra ordini, clienti e catalogo senza poterli cambiare. Gli ordini cambiano solo attraverso il server MCP e solo dopo la conferma nell’applicazione. Prima di registrare un ordine, il Demo ERP ricontrolla cliente, indirizzo di consegna, articolo, unità di vendita e quantità. Rifiuta anche un numero d’ordine già usato dallo stesso cliente. Se la stessa conferma arriva due volte, non crea un secondo ordine. Per collegare un gestionale vero si scrive un altro server al posto di questo, con le regole di quel gestionale. Il resto dell’applicazione resta uguale.

Per chi vuole verificare il progetto o riprodurre le prove, ho pubblicato codice, istruzioni, test e limiti nel repository GitHub di Inbox to Order (si apre in una nuova scheda).
Quanto costa leggere gli ordini via email, e quanto tempo fa risparmiare
Nella prova ho usato Claude Haiku 5.5, il modello più economico di Anthropic. L’applicazione registra i token di ogni chiamata e calcola il costo con i prezzi di listino. Sono stime, ma danno l’ordine di grandezza.
| Cosa ho misurato | Risultato nella prova |
|---|---|
| Costo AI per email | circa 0,001-0,002 dollari |
| Costo AI per 1.000 email | circa 1-2 dollari |
| Tempo di lettura per email | da 2,5 a 7,3 secondi |
| Dieci email in sette conversazioni | 19,4 secondi |
| Controlli superati sulle otto email dimostrative | 60 su 60 |
Il costo dell’AI, quindi, è quasi trascurabile. Il confronto vero è con il tempo delle persone. Non ho misurato quanto serve per inserire un ordine a mano, perché dipende dal gestionale e dagli ordini. Come riferimento uso da 3 a 5 minuti per un ordine di qualche riga. Per controllare e confermare una proposta già pronta stimo meno di un minuto.
Con questi numeri il calcolo è semplice. Un’azienda che riceve 30 ordini al giorno via email passa circa due ore a riscriverli. Con una proposta da controllare, il tempo scende intorno ai 30 minuti. L’AI per quei 30 ordini costerebbe pochi centesimi al giorno. Per fare il conto sulla tua azienda basta moltiplicare gli ordini giornalieri per i minuti che servono oggi.
Cosa servirebbe per collegarlo a un gestionale vero
In un progetto reale, il costo principale sta nel collegamento al gestionale. Il prototipo funziona con il Demo ERP perché i suoi codici e le sue regole li ho scritti io. Un gestionale vero ha i propri codici cliente, codici articolo, unità di misura, listini e controlli. Per collegarlo bisogna scrivere un nuovo server MCP che traduca tra quelle regole e l’applicazione. MCP tiene questo lavoro ordinato e in un solo punto, ma qualcuno deve comunque farlo.
Prima dell’uso quotidiano servirebbero anche:
- una prova su email reali anonimizzate, per misurare la precisione prima di scrivere ordini;
- un primo periodo in sola lettura, oppure su un’azienda di prova del gestionale;
- l’OCR, se i clienti mandano PDF scansionati;
- accessi separati e permessi, per decidere chi può confermare;
- una scelta chiara su dove far girare il modello, perché il testo delle email passa al servizio AI.
Sono questi passaggi a decidere tempi e costi di un progetto, molto più delle chiamate al modello.
Quando conviene, e quando no
Dopo questa prova, il mio parere è questo. Un sistema simile conviene quando gli ordini arrivano in testo libero o in PDF, da molti clienti diversi, e qualcuno passa ogni giorno ore a riscriverli. Conviene anche quando le correzioni via email sono frequenti, perché è lì che nascono doppioni ed errori.
Conviene poco, invece, quando gli ordini sono pochi al giorno. Lo stesso vale se i clienti usano già un portale, un e-commerce B2B o l’EDI. In quei casi i dati arrivano già strutturati e di solito basta un connettore tradizionale.
Per me la lezione principale riguarda dove mettere il lavoro. Nella prova l’AI ha letto correttamente le email e ha avuto un costo minimo. A rendere il sistema affidabile sono i controlli del codice, la gestione delle versioni e la conferma di una persona. Se dovessi portarlo in un’azienda, dedicherei la maggior parte del tempo a queste parti, più che alla scelta del modello.
Se nella tua azienda gli ordini arrivano così, la pagina Ordini da email nel gestionale spiega come si parte: una verifica gratuita, poi una prova sulle tue email.
Il pezzo che manca tra i programmi
Questo esperimento mostra una cosa più piccola di un ordine che entra da solo nel gestionale. Il modello interpreta il messaggio, il codice controlla che i dati abbiano senso e una persona decide se confermare. Sono tre compiti diversi, e conviene tenerli separati.
È una distinzione che ritrovo spesso nel lavoro di Levixflow. Prima di pensare a un nuovo gestionale, conviene guardare quali passaggi le persone rifanno ancora a mano tra i programmi che l’azienda ha già. Ho scritto anche di quando convenga cambiare gestionale o integrare meglio. Inbox to Order è nato così: ho preso uno di questi passaggi, l’ordine via email, e ho provato a collegarlo. Dove serve ancora una persona, l’applicazione lo lascia in vista.
Domande frequenti
FAQ pratiche
Inbox to Order inserisce gli ordini automaticamente nel gestionale?
No. Legge le informazioni e prepara una proposta, ma la scrittura nel Demo ERP avviene solo dopo la conferma dell’operatore e i controlli del software.
Il progetto funziona con gestionali aziendali reali?
Non è stato integrato con un ERP commerciale: usa un Demo ERP con dati fittizi. Collegare un gestionale reale richiederebbe un connettore e la mappatura delle sue regole.
Può leggere gli ordini allegati in PDF?
Nelle prove ha letto PDF contenenti testo. Non utilizza OCR per i PDF scansionati: questi vengono segnalati all’operatore.
Come gestisce prodotti ambigui o modifiche all’ordine?
Se la descrizione non identifica un articolo o un’unità in modo univoco, chiede una decisione. Le email successive possono aggiornare la proposta, con controllo della versione e conferma prima della scrittura.
Quanto costa usare l’AI per leggere gli ordini via email?
Nella prova, con Claude Haiku 5.5, circa 0,001-0,002 dollari per email a prezzi di listino, cioè 1-2 dollari ogni mille email. In un progetto reale il costo principale è il collegamento al gestionale, non il modello.